[发明专利]机器阅读理解方法、设备、存储介质及装置

权利要求书

1.一种机器阅读理解方法，其特征在于，所述机器阅读理解方法包括以下步骤：

获取待理解段落及对应的多个目标问题；

将所述待理解段落及对应的多个所述目标问题进行多线程处理，依次经过预设机器阅读理解模型的嵌入层、编码层和交互层，获得所述待理解段落与各所述目标问题之间的交互信息语义；

将所述交互信息语义经过所述预设机器阅读理解模型的筛选层，获得与各所述目标问题关联性强的有价值句子向量；

所述有价值句子向量经过所述预设机器阅读理解模型的回答层，获得各所述目标问题的预测答案范围；

将所述预测答案范围发送至目标终端；

所述将所述交互信息语义经过所述预设机器阅读理解模型的筛选层，获得与各所述目标问题关联性强的有价值句子向量，包括：

经过所述预设机器阅读理解模型的筛选层，根据待理解段落的向量表示，通过门过滤概率公式计算门过滤概率，所述门过滤概率公式为：

其中，g_i为句子i的门过滤概率，σ为sigmoid函数，W_g和U_g均为待学习参数，h_i为所述待理解段落中句子i的向量表示，为所述待理解段落的向量表示，b_g为偏置项；

将所述待理解段落中每个句子的向量表示与所述门过滤概率点乘，获得所述待理解段落中每个句子门过滤后的向量表示f_i，公式为：

f_i＝g_i⊙h_i；其中，⊙表示点乘；

根据所述交互信息语义，将所述待理解段落中每个句子门过滤后的向量表示f_i与各目标问题的向量表示h_q通过预设交互公式进行注意力交互，获得与各所述目标问题关联性强的有价值句子向量p_q，所述预设交互公式为：

φ(f_i,h_q)＝v^Ttanh(W_ff_i+W_hh_q+b)；

其中，b为偏置项，φ(f_i,h_q)为f_i和h_q的attention score，f_i为待理解段落中每个句子经过门过滤后向量表示，v为待学习参数，T表示矩阵转置，W_f为待学习参数，W_h为待学习参数，是归一化处理的结果，归一化函数为softmax函数，从而得到段落中每个句子的attention权重，p_q即为段落中所有句子的带attention权重的向量表示的加权求和。

2.如权利要求1所述的机器阅读理解方法，其特征在于，所述将所述待理解段落及对应的多个所述目标问题进行多线程处理，依次经过预设机器阅读理解模型的嵌入层、编码层和交互层，获得所述待理解段落与各所述目标问题之间的交互信息语义，包括：

将所述待理解段落及对应的多个所述目标问题进行多线程处理，经过预设机器阅读理解模型的嵌入层，获得待理解段落的向量表示及各目标问题的向量表示；

所述待理解段落的向量表示及各所述目标问题的向量表示经过所述预设机器阅读理解模型的编码层，获得所述待理解段落对应的段落语义及各所述目标问题对应的问题语义；

所述段落语义及各所述问题语义经过所述预设机器阅读理解模型的交互层，获得所述待理解段落与各所述目标问题之间的交互信息语义。

3.如权利要求1所述的机器阅读理解方法，其特征在于，所述获取待理解段落及对应的多个目标问题之前，所述机器阅读理解方法还包括：

从预设数据库获取开放数据，对所述开放数据进行数据抽取，获得样本段落；

对所述样本段落进行关键词提取，获得所述样本段落对应的关键词；

根据所述关键词生成样本答案；

根据所述样本段落和所述样本答案生成样本问题；

建立基础机器阅读理解模型；

根据所述样本段落、所述样本答案和所述样本问题对所述基础机器阅读理解模型进行训练，获得预设机器阅读理解模型。